【发布时间】：2020-03-19 20:44:51
【问题描述】：
我需要从数据流中更新和删除 BigQuery 中的记录。数据来自 Pubsub，并带有标识操作插入、更新、删除（I、U、D）的标志。插入不是问题。
有什么更新和删除的建议吗？
【问题讨论】：
标签： google-bigquery google-cloud-dataflow apache-beam
【发布时间】：2020-03-19 20:44:51
【问题描述】：
Dataflow 中的 IO 更喜欢进行盲写（最好是写入单独的表），因此会保留输入。这提供了更稳定、高性能的体验，并防止更改管道输入。
插入，当然可以简单地使用 BigQueryIO.Write 来执行
对于更新，如果您只是想覆盖表中的前一行。然后，您可以使用 BigQueryIO.Write 编写一个 TableRow。
如果想要读取、修改、写入一行（即将一行中的值增加 X）。然后这也将涉及读取数据。这更复杂。这里有一些方法（为此，您还可以将删除视为一种更新。即可以添加一行以指示应丢弃该“键”的所有条目）。
方法 1 将每个更新写入自己的行
在此处查看答案，您只需将每次更新（无需读取）写入一行并在执行 SQL 查询时计算聚合值。根据您想要的更新，这可能对您的 SQL BQ 查询执行良好。
Google Dataflow: insert + update in BigQuery in a streaming pipeline
方法 2 使用数据流流状态
使用这种方法，您可以创建一个StatefulParDo，它实质上允许您为特定 ParDo 的每个 Dataflow 键在 Dataflow 中存储一些持久状态。因此，您可以在此处保留一个值，根据您的 pubsub 事件不断更新它，并发出一个元素，该元素用新的 TableRow 覆盖输出 BigQueryTable 中的一行。
如果您有一个现有的 BQ 表，可能需要同时使用 BigQueryIO.Read 和 PubsubIO.Read 来初始化 StaefulParDo。
使用这种方法需要注意一些pricing associated with this dataflow streaming state。
当您更新数据流管道时，也会保留此数据。
方法 3 编写日志表并计算您想要的最终表
在这种方法中，您可以为每个事件在表中写入一个条目（无论它是插入、更新还是删除。
然后在该 BigQuery 表中读取另一个管道，聚合具有相同“键”的所有行。尽管您需要使用窗口来聚合数据。因此，您将能够在同一小时、同一天等时间为该键的所有事件计算一个最新条目。使用该窗口。
方法 4 直接使用 BigQuery API（不推荐）
编写一个自定义 ParDo，该 ParDo 使用 BigQuery API 直接从 ParDo 手动读取、修改和写入每个 BigQuery 更新（而不是使用 BigqueryIO）。
不推荐，因为 RPC 读取修改和写入每一行会很慢，因为 RPC 往返时间。这也会产生不需要的副作用，即如果您最终在数据流重试时重新处理数据，则可能会多次应用更新。但是，如果您可以接受不准确并且数据量很少，这可能会起作用。
对此的替代方法包括：使用具有流状态的 ParDo（这将允许您更新 Dataflow 管道中键的值）
【讨论】：